Though our model was trained on obj

Though our model was trained on object-centric ImageNet dataset, we demon- strate that it nonetheless remains effective for photos from the scene-centric SUN dataset selected by Deshpande et al. Deshpande et al. recently established a benchmark for colorization using a subset of the SUN dataset and reported top results using an algorithm based on LEARCH. we use the same grayscale input as, which is R+G. Note that this input space is non-linearly related to the L channel on which we trained. De- spite differences in grayscale space and training dataset, our method outperforms Deshpande et al. in both the raw accuracy AuC CMF and perceptual realism AMT metrics. Figure 11 shows qualitative comparisons between our method and Deshpande et al., one from each of the six scene categories. A complete comparison on all 240 images are included in the supplementary material. Our results are able to fool participants in the real vs. fake task 17.2% of the time, significantly higher than Deshpande et al. at 9.8%. Our model generalizes well to datasets on which it was not trained. Here we show results on the dataset from, which consists of six scene categories from SUN.Compared to the state of the art algorithm on this dataset , our method pro- duces more perceptually plausible colorization. to see the results on all 240 images

ผลลัพธ์ (ไทย) 1:

แม้ว่ารูปแบบของเราได้รับการฝึกฝนในชุดข้อมูลวัตถุเป็นศูนย์กลางของ ImageNet เรา strate ปีศาจที่กระนั้นยังคง effective สำหรับภาพถ่ายจากชุดข้อมูลดวงอาทิตย์เป็นศูนย์กลางฉากที่เลือกโดย Deshpande ร้อยเอ็ด Deshpande ร้อยเอ็ดเพิ่ง ก่อตั้งมาตรฐานสำหรับการปรับสีโดยใช้ชุดย่อยของชุดข้อมูลดวงอาทิตย์ และรายงานผลลัพธ์ด้านบนโดยใช้อัลกอริทึมที่อิง LEARCH เราใช้เหมือนกับอินพุตเป็น ซึ่งเป็น R + G. หมายเหตุว่า นี้ป้อนพื้นที่สีเทาไม่ใช่เชิงเส้นที่เกี่ยวข้องกับช่อง L ที่เราฝึก ทั้ง ๆ de differences ในพื้นที่สีเทาและชุดข้อมูลการฝึกอบรม วิธีการของเรามีประสิทธิภาพสูงกว่า Deshpande ร้อยเอ็ดทั้งในความแม่นยำดิบ AuC CMF และสมจริงรับรู้จำนวนการวัด รูปที่ 11 แสดงการเปรียบเทียบเชิงคุณภาพวิธีและ Deshpande et al. หนึ่งจากแต่ละฉากหกประเภทของเรา การเปรียบเทียบที่สมบูรณ์ทั้งหมด 240 ภาพรวมอยู่ในวัสดุเสริม ผลของเราจะสามารถหลอกคนจริงเจอปลอมงาน 17.2% ของเวลา significantly สูงกว่า Deshpande et al.ที่ 9.8% รูปแบบของเรา generalizes ด้วยการชุดข้อมูลซึ่งมันไม่ได้รับการฝึกฝน ที่นี่เราแสดงผลบนชุดข้อมูลจาก ซึ่งประกอบด้วยหกฉากประเภทจาก SUN.Compared กับอัลกอริทึมทันบนชุดข้อมูลนี้ รักษา pro ของเราวิธีปรับสีเป็นไปได้มากขึ้น perceptually ดูผลลัพธ์บนภาพทั้งหมด 240

ผลลัพธ์ (ไทย) 2:

แม้ว่ารูปแบบของเราได้รับการฝึกฝนในชุดข้อมูลที่ ImageNet วัตถุเป็นศูนย์กลางเรา demon- strate ว่ามันกระนั้นยังคง E FF ective สำหรับภาพถ่ายจากที่เกิดเหตุเป็นศูนย์กลางชุด SUN เลือกโดย Deshpande et al, Deshpande et al, เมื่อเร็ว ๆ นี้การจัดตั้งมาตรฐานสำหรับใช้ colorization ย่อยของชุดข้อมูลที่ดวงอาทิตย์และรายงานผลด้านบนโดยใช้วิธีขึ้นอยู่กับ LEARCH เราใช้การป้อนข้อมูลสีเทาเช่นเดียวซึ่งเป็น R + G โปรดทราบว่าเข้าพื้นที่นี้เป็นแบบไม่เป็นเส้นตรงที่เกี่ยวข้องกับช่อง L ที่เราได้รับการฝึกฝน de- ทั้งๆ di erences FF ในพื้นที่สีเทาและชุดการฝึกอบรมวิธีการของเรามีประสิทธิภาพดีกว่า Deshpande et al, ทั้งในความถูกต้องดิบ AuC CMF และตัวชี้วัดการรับรู้ AMT สมจริง รูปที่ 11 แสดงให้เห็นถึงการเปรียบเทียบเชิงคุณภาพระหว่างวิธีการและ Deshpande et al., หนึ่งของเราจากแต่ละประเภทฉากหก การเปรียบเทียบสมบูรณ์ในทุก 240 ภาพจะถูกรวมอยู่ในวัสดุเสริม ผลของเรามีความสามารถที่จะหลอกผู้เข้าร่วมในงานจริงกับของปลอม 17.2% ของเวลาที่มีนัยสำคัญ Fi อย่างมีสูงกว่า Deshpande et al, ที่ 9.8% แบบจำลองของเรา generalizes ดีเพื่อชุดข้อมูลที่มันก็ไม่ได้รับการฝึกอบรม ที่นี่เราจะแสดงผลการค้นหาในชุดข้อมูลจากซึ่งประกอบด้วยหกประเภทภาพจาก SUN.Compared ไปยังสถานะของอัลกอริทึมศิลปะในชุดนี้, วิธีการของเราโปร duces เพิ่มเติม perceptually colorization ที่น่าเชื่อถือ จะเห็นผลในทุก 240 ภาพ

ผลลัพธ์ (ไทย) 3:

แม้ว่ารูปแบบของเราได้รับการฝึกฝนบนวัตถุเป็นศูนย์กลาง imagenet DataSet เราปีศาจ - ? มันกระนั้นยังคง E ff ective สำหรับภาพถ่ายจากที่เกิดเหตุเป็นศูนย์กลางดวงอาทิตย์วันที่เลือกโดย deshpande et al . deshpande et al . เพิ่งสร้างมาตรฐานสำหรับสีโดยใช้บางส่วนของดวงอาทิตย์ และรายงานผลข้อมูลด้านบนใช้ขั้นตอนวิธีขึ้นอยู่กับ learch . เราใช้ใส่สีเทาเช่นเดียวกับที่ R + . โปรดทราบว่าพื้นที่นี้เข้าไม่นำความสัมพันธ์กับผม ช่องที่เราฝึก เดอ - ทั้งๆที่ ดิ ff erences ในพื้นที่สีเทาและข้อมูลการฝึกอบรม วิธีนี้มีประสิทธิภาพดีกว่า deshpande et al . ทั้งดิบและความถูกต้องค่า CMF ภาพสัจนิยม AMT มาตรวัด รูปที่ 11 แสดงเปรียบเทียบคุณภาพระหว่างวิธีการและ deshpande et al . , หนึ่งจากแต่ละหกฉากประเภท การเปรียบเทียบที่สมบูรณ์ทั้งหมด 240 ภาพจะรวมอยู่ในวัสดุเสริม ผลของเราจะสามารถหลอกผู้ที่เข้าร่วมจริง vs ปลอมงาน 17.2 % ของเวลา signi จึงลดลงอย่างมีนัยสําคัญเมื่อสูงกว่า deshpande et al . ที่ 9.8% นางแบบของเราเช่นนี้ได้ขยายดีข้อมูลที่ไม่ได้ฝึก ที่นี่เราแสดงผลข้อมูลจากซึ่งประกอบด้วยหกฉากประเภท จากดวงอาทิตย์ เมื่อเทียบกับสภาพของศิลปะในชุดข้อมูลนี้ใช้โปร - ของเรา duces เพิ่มเติมรับรูยี่ห้อสี . เพื่อดูผลลัพธ์ทั้งหมด 240 ภาพ